Self-Calibrating Dense Displacement Fields for Reliable Co-Registration of Large Optical Satellite Imagery

نادراً ما تتطابق صور الأقمار الصناعية لنفس المكان، سواء التُقطت في أوقات مختلفة أو بكاميرات مختلفة، تطابقاً تاماً. فحتى عندما يُفترض أنها تُظهر البقعة ذاتها من الأرض، غالباً ما تتباعد البكسلات بضعة أمتار أو حتى عشرات الأمتار. يحدث هذا عدم المحاذاة بسبب أخطاء صغيرة في كيفية معرفة القمر الصناعي لموقعه الخاص، أو كيفية تصحيح التضاريس، أو كيفية دمج الصور من عمليات مرور متعددة. وبالنسبة للعلماء الذين يرغبون في تتبع التغيرات بمرور الوقت — مثل مراقبة نمو غابة، أو قياس سرعة ذوبان نهر جليدي، أو دمج البيانات من مستشعرات مختلفة لإنشاء صورة كاملة — فإن حالات عدم المحاذاة هذه تشكل عقبة رئيسية. فإذا لم تتطابق الصور بدقة، تصبح البيانات مشوشة وغير موثوقة، مما يجعل من المستحيل اكتشاف التغييرات الطفيفة أو دمج المعلومات بدقة. والهدف من عملية "التسجيل المشترك" (co-registration) هو إصلاح هذا الانزياح، عبر إزاحة الصور بحيث تقع كل بكسل في صورة واحدة فوق البكسل المقابل لها تماماً في الصورة الأخرى.

لسنوات، اعتمد الباحثون على أدوات لإجراء عملية المحاذاة هذه، لكن هذه الأدوات غالباً ما تعمل مثل المتخصصين الذين يبدعون في وظيفة محددة للغاية لكنهم يفشلون تماماً عندما تتغير الظروف. فإذا كانت الصور ملتقطة بنفس الكاميرا مع وجود إزاحة طفيفة فقط، فقد تعمل الأداة بشكل مثالي. ولكن إذا جاءت الصور من مستشعرات مختلفة، أو أظهرت نفس المكان في مواسم مختلفة، أو تم دمجها من مسارات طيران مختلفة، فقد تنتج الأداة نفسها نتيجة خاطئة بمئات الأمتار دون أن تحذر المستخدم من فشلها. وهذا عدم القدرة على التنبؤ يجعل من الصعب استخدام هذه الأدوات بشكل تلقائي على نطاق عالمي، حيث يكون نوع أزواج الصور غالباً غير معروف مسبقاً. وقد طور فريق من الباحثين الآن طريقة جديدة تتجنب هذه المآزق من خلال رفض وضع افتراضات جامدة حول كيفية تحرك الصور. فبدلاً من إجبار البيانات على التوافق مع نمط محدد مسبقاً، تترك طريقتهم البيانات تتحدث عن نفسها، مما يخلق خريطة مرنة لكيفية تحرك كل نقطة في الصورة لتتطابق مع المرجع.

قام الباحثون، بقيادة شوكون سون وزملاؤه في جامعة أيداهو ومؤسسات أخرى، بإنشاء نظام أطلقوا عليه اسم SCDF، وهو اختصار لـ "حقول الإزاحة ذاتية المعايرة" (self-calibrating displacement fields). الفكرة الجوهرية بسيطة لكنها قوية: فبدلاً من افتراض أن الصورة بأكملها تتحرك بطريقة بسيطة واحدة، مثل ورقة صلبة تنزلق عبر طاولة، يعامل النظام الحركة كحقل كثيف ومعقد حيث يمكن لكل بكسل أن يتحرك بمقدار مختلف قليلاً. وهذا يسمح للطريقة بالتعامل مع التشوهات المعقدة، مثل الحالة التي ينزاح فيها جانب من الصورة في اتجاه والجانب الآخر في الاتجاه المعاكس، وهي حالة تكسر معظم الأدوات التقليدية. يعمل النظام عن طريق تقسيم الصورة إلى قطع صغيرة وطرح سلسلة من الأسئلة بشكل متكرر: "أين ينتمي هذا الجزء؟" و"هل هذا التطابق منطقي مقارنة بجيرانه؟". والأهم من ذلك، أن النظام لا يستخدم قواعد ثابتة أو إعدادات مدربة مسبقاً قد تكون خاطئة لزوج معين من الصور. بدلاً من ذلك، يقوم بمعايرة عتبات اتخاذ القرار الخاصة به باستخدام زوج الصور المحدد الذي يحاول محاذاته حالياً. فهو ينظر إلى البيانات التي جمعها حتى الآن ليقرر ما الذي يعتبر تطابقاً جيداً وما الذي يعتبر خطأً، مما يجعله يعلم نفسه فعلياً كيفية التعامل مع الخصائص الفريدة لذلك المشهد المحدد.

ولاختبار ما إذا كان هذا النهج يعمل بالفعل بشكل أفضل من الطرق الموجودة، بنى الفريق معياراً ضخماً باستخدام صور أقمار صناعية حقيقية من مصادر مثل Sentinel-2 وLandsat-8 و9، وصور جوية عالية الدقة من برنامج NAIP. لقد أنشأوا 584 حالة اختبار متميزة، تغطي مجموعة واسعة من التحديات: صور ملتقطة بنفس المستشعر، وصور ملتقطة بمستشعرات مختلفة، وأزواج تفصل بينها أيام قليلة، وأزواج تفصل بينها خمس سنوات. كما أدخلوا تشوهات دقيقة ومعروفة في هذه الصور حتى يتمكنوا من قياس مدى جودة تصحيح كل طريقة لها. كانت النتائج مذهلة؛ فبينما أنتجت الأدوات التقليدية غالباً نتائج مثالية في بعض أنواع الصور ولكنها حققت إخفاقات كارثية في أنواع أخرى — حيث كانت تخطئ الهدف أحياناً بمئات الأمتار — لم يفشل النظام الجديد أبداً في تقديم نتيجة. لقد نجح في محاذاة كل حالة من حالات الاختبار الـ 584. والأهم من ذلك، أنه في السيناريوهات الأكثر صعوبة حيث فشلت الأدوات الأخرى تماماً، ظل النظام الجديد قريباً بشكل ملحوظ من أفضل نتيجة ممكنة، حيث لم يكن أسوأ من أفضل أداء في أي اختبار بـ 1.39 مرة فقط. وفي المقابل، كانت أفضل الأدوات التقليدية أسوأ بمئات المرات من النتيجة المثلى في نفس الاختبارات.

كما كشفت الدراسة أن الطريقة الأكثر شيوعاً لقياس النجاح في هذا المجال قد تكون مضللة. فغالبات التقارير التقليدية تركز على متوسط الخطأ أو الوسيط، مما قد يخفي حقيقة أن الأداة قد تكون مثالية في نصف الصورة وخاطئة تماماً في النصف الآخر. وقد أظهر الباحثون أنه عند النظر في أسوأ السيناريوهات، تصبح الفروقات بين الطرق هائلة. إن نظامهم الجديد مصمم خصيصاً لتجنب حالات الفشل في أسوأ السيناريوهات هذه، مما يضمن أن تظل النتيجة موثوقة ومحدودة حتى عندما تكون الظروف صعبة. وبينما يعد النظام حالياً أبطأ من بعض الأدوات المتخصصة التي تعمل على معالجات رسوميات قوية، إلا أنه يعمل بالكامل على معالج كمبيوتر قياسي دون الحاجة إلى أي بيانات تدريب خاصة أو تكوينات معدة مسبقاً. وهذا يجعله خياراً قوياً للأنظمة الآلية التي يجب أن تعالج آلاف الصور دون إشراف بشري، مما يضمن محاذاة البيانات المستخدمة في الرصد البيئي الحرج والتحليل العلمي بشكل صحيح، بغض النظر عن مدى اختلاف الصور.